SupCon 定义:

Clusters of points belonging to the same class are pulled together in embedding space, while simultaneously pushing apart clusters of samples from different classes.

novelties:

属于同一类的归一化后的特征表示靠得越近越好,不同类的靠的越远越好。并且,一个anchor 样本,具有多个正样本,sel-sup 通常只用一个正样本;负样本也是多个。

传统的limitations:

cross-entropy loss的缺陷:面对噪声标签,鲁棒性差,possibility of poor margins ??

传统的方法,在大数据集上的实验效果不好,比如说Imagenet。

triplet loss每个anchor样本只对比一个正样本和负样本,

N-pair loss 每个anchor样本,一个正样本,多个负样本。

Related work

Merging the findings of our paper and CCLP is a promising direction for semi-supervised learning research.

self-supervised learning 和 supervised contrastive 对比

左侧是self-sup,在特征表示空间,即使是同一类的样本也会距离比较远,右侧是有监督的对比学习,同一类样本,相距比较近。

supervised contrastive learning 解读相关推荐

  1. Micro-expression recognition with supervised contrastive learning基于对比监督学习的微表情识别

    Micro-expression recognition with supervised contrastive learning基于对比监督学习的微表情识别--2022 PRL 文章链接:https ...

  2. Supervised Contrastive Learning(学习笔记)

    Supervised Contrastive Learning NeurlPS2020 原文链接: https://arxiv.org/pdf/2004.11362v4.pdf b站讲解视频: htt ...

  3. 文章分享《Supervised Contrastive Learning》 自监督对比学习和有监督对比学习的区别

    文章题目 Supervised Contrastive Learning 作者: Prannay Khosla Piotr Teterwak Chen Wang Aaron Sarna 时间:2020 ...

  4. NIPS20 - 将对比学习用于监督学习任务《Supervised Contrastive Learning》

    文章目录 原文地址 论文阅读方法 初识 相知 回顾 代码 原文地址 原文 论文阅读方法 三遍论文法 初识 对比学习这两年在自监督学习.无监督学习任务中非常火,取得了非常优秀的性能.这个工作就是想办法将 ...

  5. 论文阅读笔记(7-1)---Supervised Contrastive Learning

    原文链接 B站讲解视频 Toutube视频搬运 参考解读 参考解读 研究背景 交叉熵损失函数是分类模型监督学习中应用最广泛的损失函数,但是它具有对噪声标签缺乏鲁棒性.边界性差等特点,泛化能力较差. 研 ...

  6. Targeted Supervised Contrastive Learning for Long-Tailed Recognition(2022.5.14)

    (一)解决的问题: 数据往往呈现出长尾分布,类间严重失衡,多数类可能主导训练过程,并改变少数类的决策边界. (二)动机: 提出一种平衡采样的方法,同时能够学习到统一的特征空间,使长尾分布的数据在特征空 ...

  7. Supervised Contrastive Learning For Recommendation

    摘要: 我们的目的是充分考虑对比学习在推荐系统场景中的应用,使其更适合于推荐任务.我们提出了一个监督对比学习框架来预训练用户-项目二部图,然后对图卷积神经网络进行微调.具体来说,我们将在数据预处理过程 ...

  8. 对比学习(Contrastive Learning)综述

    A.引入   https://zhuanlan.zhihu.com/p/346686467 A.引入 深度学习的成功往往依赖于海量数据的支持,其中对于数据的标记与否,可以分为监督学习和无监督学习. 1 ...

  9. Contrastive learning of Class-agnostic Activation Map for Weakly Supervised Object Localization and

    paper: Contrastive learning of Class-agnostic Activation Map for Weakly Supervised Object Localizati ...

  10. 论文阅读 (68):Self-Contrastive Learning: An Efficient Supervised Contrastive Framework with Single...

    文章目录 1 引入 1.1 题目 1.2 摘要 1.3 Bib 2 自对比学习 2.1 SupCon损失 2.2 SelfCon损失 1 引入 1.1 题目   2021自对比学习:单视图和子网络下的 ...

最新文章

  1. GCC 同时编译多个 C/C++ 文件
  2. rocketmq-flink
  3. 在ubuntu10.04上安装永中office2010
  4. 《书都不会读,你还想成功》
  5. 【VS开发】Wix 安装教程
  6. Docker最全教程——从理论到实战(二)
  7. Vue 中computed 与 methods 区别
  8. 用这10个小技巧加速Python编程
  9. mysql支持arm64架构吗_ARM架构下面安装mysql5.7.22
  10. USACO3.1.1最短网络
  11. MyBatis笔记二:配置
  12. ubuntu 14.04中安装Jenkins
  13. 王国纪元服务器不稳定,王国纪元闪退怎么解决 游戏闪退解决方法
  14. unity实现简单的地图编辑器,实现跑酷地图编辑器 2d地图编辑器,导出地图json数据,导入地图json数据
  15. android subscriber 自定义,自定义Subscriber
  16. 一个账号可登录多个微信
  17. 电脑桌面的word文件丢失了怎么找回?7个解决方法!
  18. 163邮箱 提示xm002 NO SELECT Unsafe Login. Please contact kefu@188.com for help
  19. 单用户MIMO系统(一):信道信息在发端已知
  20. Premiere Pro教程

热门文章

  1. 【基础教程】Python的特点(优点和缺点)
  2. 数据库脏读、不可重复读、幻读以及对应的隔离级别
  3. 基于wakeup_source的linux内核睡眠机制
  4. Linux之shell脚本正则表达式
  5. Python爬虫之QQ空间登陆获取信息!
  6. 进公司不会用 Git 拉项目!第二天被开除?
  7. 重装mac系统 未能与恢复服务器取得联系,进入 macOS 系统恢复模式 – 重新安装 macOS 系统...
  8. 804计算机考研,北京邮电大学804信号系统考研经验
  9. 冉宝的每日一题--8月6日、8月7日--今天想学会拓扑排序
  10. linux 查看文件哈希码,Linux校验文件SHA1/SHA256/MD5哈希值方法